Soutenance mémoire
La détection et l’identification des pannes dans les systèmes dynamiques, c’est à dire leur diagnostic, a été un sujet important de recherche dès les débuts de l’Automatique moderne. En effet dans beaucoup d’applications il s’agira souvent, au delà de considérations purement économiques, d’assurer la sécurité des personnes et de préserver leur environnement. C’est notamment le cas pour beaucoup d’applications liées aux domaines de l’énergie, de l’eau, de l’air et des transports.
La diversité des approches qui ont été développées pour le diagnostic des systèmes dynamiques semblent être le résultat de contextes différents associés à la nature des applications visées et aux caractéristiques propres du cahier des charges qui en résulte. Ainsi, la nature des informations disponibles sur le système ou le type de défauts à détecter conduisent à la mise en œuvre de stratégies spécifiques.
Les méthodes de diagnostic à base de modèles occupent une place importante dans la littérature. Leur utilisation, notamment dans le cadre d’applications critiques (systèmes énergétiques, systèmes de transport, industrie lourde), s’est considérablement développée. Si une vaste littérature existe dans le cas des systèmes dynamiques linéaires, en ce qui concerne les systèmes dynamiques non linéaires, peu de travaux qui mettent à profit le caractère non linéaire du système, ont été réalisés à ce jour.
DETECTION ET IDENTIFICATION DES PANNES DANS LES SYSTEMES DYNAMIQUES
La détection et l’identification des pannes dans les systèmes dynamiques, c’est à dire leur diagnostic, a été un sujet important de recherche dès les débuts de l’Automatique moderne basée sur le calcul numérique. Ainsi de nombreuses approches ont été développées. Les différentes approches du diagnostic des systèmes dynamiques semblent être souvent le résultat de contextes différents notamment en ce qui concerne les applications visées et le cahier des charges qui en résulte. Ainsi, la nature des informations disponibles sur le système ou le type de défauts à détecter conduisent à la mise en œuvre de stratégies spécifiques. Par exemple, si seules des données entrée / sortie sont disponibles sur le système, une méthode par apprentissage semblera naturellement adaptée, par contre si un modèle mathématique est disponible, les méthodes analytiques pourront être privilégiées.
DEFINITIONS
Par mesure de simplicité on emploie dans ce mémoire de façon équivalente les termes de défaillance, défaut ou panne. Néanmoins, le vocabulaire usuel de la sûreté de fonctionnement distingue ces notions [Cassar et al. 1996] [Isermann et al. 1997] [Ripoll 1999] :
− défaillance : modification suffisante et permanente des caractéristiques physiques d’un système ou d’un composant pour qu’une fonction ne puisse plus être assurée dans les conditions prévues.
− défaut : imperfection physique liée à la conception ou à la mise en œuvre du dispositif. Le défaut peut donner lieu à une défaillance.
− panne : introduit la notion d’arrêt accidentel du fonctionnement.
La première question que l’on se pose lorsque l’on conçoit un système de diagnostic, est de savoir ce que l’on veut détecter, c’est à dire de définir le type de dysfonctionnement que l’on veut diagnostiquer et donc les défauts susceptibles d’altérer le bon fonctionnement du système. Ainsi on pourra être amené à détecter des biais, des dérives et/ou des valeurs aberrantes.
Qu’il s’agisse de défauts inhérents aux organes de mesure (capteurs), aux organes de commande (actionneurs) ou aux composants du processus, ils se manifestent par une altération des signaux associés.
Dans une vision multi niveaux d’un processus complexe, il sera possible de définir au niveau des interfaces des sous processus de nouveaux éléments d’action ou de mesure et donc de définir plus finement les défaillances.
Un biais correspond à un saut brutal du signal alors qu’une dérive se manifeste par une évolution anormale lente et continue du signal, et donc un éloignement progressif de sa valeur nominale.
Les phénomènes de dérive sont plus long à détecter du fait de leur faible amplitude à l’origine et de leur lente évolution. Les valeurs aberrantes sont des défauts dits fugitifs : elles affectent le système de manière instantanée. Leur cause est souvent due à un parasite, par exemple une perturbation électromagnétique, elles correspondent à un écart important et sporadique par rapport à la valeur nominale du signal.
LA REDONDANCE, LA DETECTION ET LE DIAGNOSTIC
Redondance d’information
Le concept de base des systèmes de diagnostic est la vérification de la cohérence des diverses informations disponibles sur le système. Ceci n’est possible que s’il existe un certain degré de redondance entre ces informations. Cette redondance peut être obtenue par la multiplication des actionneurs et des capteurs et l’utilisation de modèles du processus par des techniques telles que la redondance analytique.
Redondance physique
Le moyen le plus direct pour obtenir une information fiable sur une même variable est de disposer de plusieurs capteurs la mesurant simultanément. Une redondance à trois permettra notamment d’isoler un capteur défaillant. La redondance physique souffre d’un désavantage majeur : doubler ou tripler le nombre de capteurs revient à augmenter considérablement son coût et à affronter des problèmes d’encombrement liées à l’installation et à la maintenance de ces capteurs.
L’ajout de capteurs supplémentaires permettra aussi d’avoir des informations additionnelles à mettre à profit dans le cadre de la redondance analytique.
Redondance analytique
Cette redondance fait appel à des modèles analytiques représentatifs des relations de causalité et aux autres contraintes existantes entre les signaux présents dans le système. Les mesures obtenues des différents capteurs occultant le système peuvent alors être reliées par ces modèles. Les modèles analytiques étant une représentation mathématique des lois d’évolution des variables physiques du système, le système y est décrit par un ensemble d’équations issues des lois de la physique. Les procédés ainsi modélisés ne suivent pas toujours une telle représentation idéale ceci est du à la présence d’incertitudes sur les paramètres du modèle, des modifications structurelles du système, des non-linéarités et finalement l’effet des perturbations et des bruits de mesure.
|
Table des matières
Introduction générale
Chapitre 1 : Détection et Identification de pannes dans les systèmes dynamiques
1.1. Introduction
1.2. Définitions
1.3. La redondance, la détection et le diagnostic
1.3.1 Redondance d’informations
1.3.2 Redondance physique
1.3.3 Redondance analytique
1.4. Autres modèles pour la détection et le diagnostic
1.4.1 Modèle de surface
1.4.2 Modèles qualitatifs et à base de règles
1.4.3 Modèles de type boite noir
1.5. Conception d’un système de diagnostic
1.6. Critères de performance pour la détection et le diagnostic
1.7. Conclusion
Chapitre 2 : Détection et diagnostic à base de modèles
2.1 Introduction et définitions
2.2 Estimation paramétrique et génération de résidus
2.3 Approche géométrique de la génération de résidus
2.4 Approche algébrique pour la génération de résidus
2.5 Estimation d’état et génération de résidus
2.6 La détection de fautes
2.7 La localisation
2.8 Conclusion
Chapitre 3 : Relations de redondance pour les systèmes différentiellement plats
3.1 Introduction
3.2 Platitude différentielle
3.2.1 Définition classique de la platitude
3.2.2 Platitude implicite ou explicite
3.2.3 Sorties plates minimales ou non minimales
3.3 Exemples de systèmes plats
3.3.1 Véhicule roulant dans le plan
3.3.2 Engin à décollage vertical
3.4 Redondance et systèmes différentiellement plats
3.4.1 Redondance analytique globale
3.4.2 Détection de pannes basée sur la platitude
3.5 Exemple d’application
3.6 Conclusion
Chapitre 4 : Détection et identification de pannes de structures différentiellement plates
4.1 Introduction
4.2 Platitude induite par des structures particulières
4.2.1 Platitude implicite des systèmes paramétrés
4.2.2 Platitude des systèmes série
4.2.3 Platitude des systèmes avec rebouclage d’état
4.2.4 Platitude des systèmes avec double tandem
4.3 Platitude de la dynamique de guidage des avions
4.4 Propriétés de platitude de la dynamique de guidage du vol
4.5 Relations de redondance associées à la dynamique de guidage
4.5.1 Relations de redondances associées aux composantes du vecteur d’état
4.5.2 Relation des entrées plates de guidage
4.6 Conclusion
Conclusion générale
